对于题目中的算法，相信大家最喜欢，或者最常见的就是在优化领域吧，小编就看到很多大神，利用python的算法去做一些项目的优化，而大家在足够了解这个算法以后，也需要去完成这个算法的优化，这样才是真正可以掌握这个算法啦，那到底是怎么做呢？我们要怎么去开始做优化？不了解的小伙伴一起来看下吧！
下面通过一组实例方法教大家哦~
问题描述
一个名为Robby的机器人生活在一个充满垃圾的二维网格世界中，周围有4堵墙（如下图所示）。这个项目的目标是发展一个控制策略，使他能够有效地捡垃圾，而不是撞墙。
问题图片所示：
涉及方法
任何GA的优化步骤如下：
l 生成问题初始随机解的“种群”
l 个体的“拟合度”是根据它解决问题的程度来评估的
l 最合适的解决方案进行“繁殖”并将“遗传”物质传递给下一代的后代
l 重复第2步和第3步，直到我们得到一组优化的解决方案、
应用的遗传算法代码展示：
在下面的代码中，我们生成一个初始的机器人种群，让自然选择来运行它的过程。我应该提到的是，当然有更快的方法来实现这个算法（例如利用并行化）。
# 初始种群 pop = [Robot() for x in range(pop_size)] results = [] # 执行进化 for i in tqdm(range(num_gen)): scores = np.zeros(pop_size) # 遍历所有机器人 for idx, rob in enumerate(pop): # 运行垃圾收集模拟并计算拟合度 score = rob.simulate(iter_per_sim, moves_per_iter) scores[idx] = score results.append([scores.mean(),scores.max()]) # 保存每一代的平均值和值 best_robot = pop[scores.argmax()] # 保存最好的机器人 # 限制那些能够交配的机器人的数量 inds = np.argpartition(scores, -num_breeders)[-num_breeders:] # 基于拟合度得到顶级机器人的索引 subpop = [] for idx in inds: subpop.append(pop[idx]) scores = scores[inds] # 平方并标准化 norm_scores = (scores - scores.min()) ** 2 norm_scores = norm_scores / norm_scores.sum() # 创造下一代机器人 new_pop = [] for child in range(pop_size): # 选择拟合度优秀的父母 p1, p2 = np.random.choice(subpop, p=norm_scores, size=2, replace=False) new_pop.append(Robot(p1.dna, p2.dna)) pop = new_pop
效果展示：
根据以上内容，大家也可以清晰看到，使用遗传算法去做优化的神奇内容，不仅是可以面对冰冷的代码组，还是以上偏生物的内容，使用遗传算法统统可以实现，大家如果感兴趣的话，不妨也试试哈~